摘要

本文介绍了一种基于多尺度条件生成建模的显微图像恢复方法，利用布朗桥过程和小波域的生成对抗网络（GAN）来加速训练和采样过程，同时保持高质量的图像生成。该方法通过在最低频率子带上启动布朗桥扩散过程，并在后续的高频子带上应用GAN，显著减少了采样步骤和时间，同时在计算显微镜和成像任务中展示了其鲁棒性能。这一创新技术为计算显微镜工作流程中的高效图像恢复提供了一个框架，标志着将尖端生成模型整合到计算显微镜领域的一大步。

原理

该论文提出了一种多尺度条件生成模型（MSCGM），通过在小波域中利用布朗桥扩散过程（BBDP）和生成对抗网络（GAN）来实现图像恢复。其核心原理包括：

1. 多尺度小波变换：有效地无损压缩条件图像的空间维度，消除了当前基于自编码器的扩散模型（DMs）的损失编码过程。
2. 布朗桥扩散过程：将低质量条件图像的建模纳入正向和反向扩散过程，更好地利用条件图像的信息。
3. 多尺度生成：通过理论分析低频和高频小波子带的分布，分别应用BBDP和GAN进行多尺度生成，从而加速采样速度并保持高样本质量和多样性。

流程

MSCGM的工作流程如下：

1. 条件图像的多尺度小波变换：首先对条件图像进行多尺度小波变换，得到不同尺度的小波系数。
2. 布朗桥扩散过程：在最低频率子带上启动布朗桥扩散过程，生成低频子带的样本。
3. 生成对抗网络：在后续的高频子带上应用生成对抗网络，生成高频子带的样本。
4. 逆小波变换：通过逆小波变换将生成的低频和高频子带样本合并，恢复出全分辨率的图像。

应用

MSCGM在计算显微镜和成像任务中具有广泛的应用前景，特别是在需要高分辨率图像恢复的场景，如超分辨率、阴影去除、低光图像增强等。该方法的高效性和高质量生成能力使其成为计算显微镜领域的一个重要工具，有望推动相关技术的进一步发展。